这个 Skill 能做什么，适合哪些场景？
Launch Monitor 面向产品发布后的 T-0 至 T+30 窗口，持续检查发布页面的埋点、渠道表现和新闻回声。它可轮询 Hacker News 排名、积分与评论，跟踪 Product Hunt 投票与精选状态，以及应用商店图表和评价数据。技能还会生成 D0、W1、M1 指标快照，比较发布峰值与后续维持情况，并根据用户提供的 KPI 目标触发告警。它负责监控和提示，不负责发布日的 go/rollback 决策或长期指标诊断。
读取发布日期、发布层级、阶段和 KPI 目标；发布前逐个检查渠道的 UTM 参数、转化事件和落地 URL。使用 Hacker News、Product Hunt、App Store 和 GDELT 连接器获取排名、积分、评论、投票、精选状态、商店图表、评价元数据和新闻提及；连接器不可用时要求用户粘贴数据。记录轮询日志，标记评论超过积分的火焰战比为 Estimated 启示信号，生成 D0/W1/M1 实际值与目标对比、spike-vs-sustain 和 owned-capture 读数，并将快照及交接摘要保存到 launch monitor 的记忆目录。
- 产品团队在 Hacker News、Product Hunt 和 App Store 同时发布产品，需要监控发布窗口表现。
- 增长负责人在发布前验证各渠道的 UTM 和注册事件，避免上线后无法归因。
- 发布负责人需要获取 D0、W1 或 M1 快照，并将渠道实际值与既定 KPI 目标比较。
- 社区负责人希望识别 Hacker News 评论异常活跃等可能的讨论风险，但不让监控技能代替人工决策。
- 营销团队在 T+30 结束时整理峰值排名、持续性和自有渠道捕获情况，交接给发布复盘流程。
如何安装这个 Skill？
- 不要把 HN 评论数/积分比视为平台规则或单独决策依据；技能本身将其定义为 Estimated 启发式。
- 在中国大陆网络环境中先验证 HN、Product Hunt、App Store 和 GDELT 的实际可达性；不可达时必须使用用户粘贴数据并保留 User-provided 标签。
- 使用 Product Hunt 连接器前确认开发者令牌、商业使用审批和归因要求；不要将平台自报指标当作归因真值。
- 保存或提升到 memory 前确认数据中不含不应持久化的分析导出、个人数据或凭据。
- Shell / 命令行
- 网络访问
- 本地文件系统
Python standard library connector scripts
安装整个仓库：Claude Code 中运行 /plugin marketplace add aaron-he-zhu/aaron-marketing-skills，再运行 /plugin install aaron-marketing@aaron；其他 Agent Skills 兼容主机可运行 npx skills add aaron-he-zhu/aaron-marketing-skills；也可执行 git clone https://github.com/aaron-he-zhu/aaron-marketing-skills。本资料没有提供该技能在每种主机上的单技能安装命令；技能文件位于 launch/prove/launch-monitor/SKILL.md。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/aaron-he-zhu/aaron-marketing-skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/launch/prove/launch-monitor" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
提供发布日期、平台和 D0/W1/M1 KPI 目标，例如：Monitor my launch — we go live 2026-08-01 on HN / Product Hunt / App Store. KPI targets: [D0 / W1 / M1]. 也可请求发布前检查：Verify my launch instrumentation before 2026-08-01 — here are the launch surfaces and the UTM plan. 发布后可请求：Pull a D0 snapshot: HN rank/points/comments, PH votes, store chart position, news mentions — vs our targets.
这个 Skill 有哪些优点和局限？
- 覆盖发布前埋点验证和 T-0 至 T+30 监控，而不只是事后报告。
- 支持 Hacker News、Product Hunt、App Store 和 GDELT 等明确的数据路径。
- 连接器缺失时可退化为用户粘贴数据，不会因单个连接器不可用而跳过快照。
- 明确区分 Measured、User-provided 和 Estimated，并以用户自有分析作为归因真相。
- 边界清晰：监控技能不替代发布日 go/rollback 决策。
- 需要用户提供发布日期、平台和 KPI 目标；没有目标时不会自行编造阈值。
- Product Hunt 连接器需要免费开发者令牌，并受非商业 API 条款、审批和署名要求限制。
- App Store 评价正文不是连接器自动获取内容，需要人工提供。
- 平台自报数量只作参考，最终归因依赖用户自己的 Web Analytics 或商店数据导出。
- 源材料没有提供独立测试套件或对所有发布平台的验证证据。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 发布窗口监控 本页 | 59 · 推荐 | ★ 3k | 12 天前 | Apache-2.0 |
| 付费广告预算节奏监控 | 61 · 推荐 | ★ 3k | 12 天前 | Apache-2.0 |
| AI HOT 资讯查询 | 58 · 推荐 | ★ 21k | 26 天前 | MIT |
| OfficeCLI 数据仪表盘技能 | 57 · 谨慎使用 | ★ 32k | 14 天前 | Apache-2.0 |
| VSS 视频分析查询 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.6k | 12 天前 | Apache-2.0 |
与 launch-day-conductor 相比，Launch Monitor 负责观察、轮询和告警，不负责发布日的行动或回滚决定；与 performance-analyzer、rank-tracker 和 performance-monitor 相比，它聚焦产品发布窗口及发布相关平台，而不是指标深挖、SEO 排名或 T+30 之后的长期监控；窗口结束后应交接给 launch-retro-analyzer。
FollowSkills 如何评估这个 Skill？
技能仅声明 WebFetch，明确将抓取内容和用户粘贴数据视为不可信输入，要求用户确认后保存，并通过 propose 路径提交注册事件；安全文档还说明密钥不落盘、连接器限流及外部变更默认 dry-run。扣5分，因抓取平台、用户分析导出和运行时 memory 的数据流及敏感数据处理仍依赖宿主配置，回滚和权限边界未在本技能中完整展开，且 Product Hunt 存在商业使用审批与归因要求。
说明了无连接器时的手工降级、轮询频率、缺少目标时停止、异常标签和交接条件，指令内部基本一致。扣12分，静态材料没有覆盖该技能关键路径的专门测试、连接器实际可用性或异常响应复现；按静态校准不超过10分。
触发条件、时间窗口、输入参数、输出形态和不适用范围写得清楚，并提供英文与中文标题及中文元数据；支持用户粘贴数据以降低依赖。扣4分，核心平台和新闻监控面向海外服务，未证明中国大陆网络可达性；对市场、平台变体和缺失分析字段的边界也不够具体。
具备 frontmatter、版本、许可证、Quick Start、Contract、Data Sources、Instructions、保存模板、参考资料、下一技能和终止规则，信息架构良好。扣5分，选定材料未提供该技能的变更日志、维护责任人和明确更新路径；publisher 未验证，作者信息虽存在但不足以证明治理责任，且 SECURITY.md 的支持版本仍写17.x而技能为18.0.0。
预期输出、指标标签、阈值告警、归因口径、spike-vs-sustain、owned-capture 和交接内容较具体，理论上可直接形成监控报告。扣9分，连接器和实际执行结果未在材料中验证，许多结论依赖用户提供目标、分析导出和手工数据；静态校准将效果上限限制为7分。
技能明确区分 Measured、User-provided、Estimated，并将 flamewar 比率标为启发式且给出来源性质；仓库还提供通用 CI 与测试材料。扣6分，未提供该技能关键路径的专门执行证据、实际输出样例或多来源独立复现；静态校准下不能超过5分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →